2022-10-04 - DeepRDT - Desenvolupament de models d'aprenentatge profund per predir la resposta terapèutica a la radioteràpia en pacients amb càncer

DeepRDT

2022-10-04

Eina d'IA basada en l'anàlisi d'imatges mèdiques mitjançant models d'aprenentatge profund (DL) per predir la resposta a la radioteràpia en pacients amb càncer de recte i pulmó. Hauria de funcionar com a guia per als oncòlegs en la personalització de la teràpia.

Social: salut i seguretat

Aquesta proposta es troba en una fase inicial del camí del desenvolupament de productes innovadors, però és susceptible de tenir un gran impacte i obre l'ús d'aquesta nova tecnologia (anàlisi d'imatges amb xarxes neuronals profundes) a altres aplicacions en el camp. L'experiència adquirida en aquesta proposta fomentarà l'aplicació addicional de l'anàlisi d'imatges en altres càncers o àrees. La possibilitat de generar aquests productes depèn de la disponibilitat de dades, imatges i anotacions clíniques, cosa que s'ha aconseguit obtenir en una gran mida de mostra. Aquest projecte té un alt potencial de traducció a les clíniques i deriva de les necessitats sol·licitades pels clínics. Les eines analítiques d'imatges que s'estan desenvolupant tenen objectius ambiciosos, que ajudaran els oncòlegs i radiòlegs en la seva feina diària per atendre millor els pacients, amb estratègies personalitzades. Els models aplicats a l'anàlisi d'imatges ajudaran a identificar on es troba el tumor, quantificar el seu volum i evolució amb el tractament i proporcionar una predicció primerenca del pronòstic i la toxicitat potencial, sent aquesta última especialment rellevant en el càncer de pulmó, on la radioteràpia sovint provoca pneumonitis o fibrosi. La identificació de pacients amb tumors que puguin ser resistents a la radioteràpia permetrà a l'oncòleg dissenyar estratègies alternatives.

Eina d'intel·ligència artificial (IA) basada en l'anàlisi d'imatges mèdiques mitjançant models d'aprenentatge profund (DL) per predir la resposta a la radioteràpia en pacients amb càncer de recte i pulmó, que serveix de guia per als oncòlegs en la personalització de la teràpia. S'han seleccionat dos escenaris per a la prova de concepte: a) càncer de pulmó en estadi inicial tractat amb radioteràpia corporal estereotàctica (SBRT) i b) càncer de recte localitzat tractat amb radioteràpia neoadjuvant. Els mètodes són aplicables a altres tipus de càncers tractats amb radioteràpia. S'utilitzaran models de xarxes neuronals convolucionals profundes per extreure informació rellevant de la tomografia computada de diagnòstic. També s'integraran dades de tomografia per emissió de positrons, ressonància magnètica, histopatologia de biòpsia tumoral i dades clinicomoleculars quan estiguin disponibles.

0

0

0

El Pla de Desenvolupament Empresarial d'aquest projecte és transferir-lo a una empresa per obtenir royalties del 3% -5% i establir diferents fites dins del pla de desenvolupament (un cop s'hagi validat, després d'acabar la normativa i quan el projecte estigui "llest per vendre", no deduïble de les royalties).

La radioteràpia s'ha convertit en un pilar fonamental per al tractament de múltiples càncers, amb beneficis provats en els resultats del tractament, tant com a neoteràpia/adjuvant com a tractament únic. Tanmateix, no està exempta d'efectes adversos, i hi ha variabilitat en l'eficàcia entre els pacients, amb un 20-40% dels casos que no responen al tractament, depenent de les característiques del tumor.

Pacients de càncer tractats amb radioteràpia. Inicialment centrats en el càncer de recte i pulmó.

Finançament per a una validació posterior Codesenvolupament amb una empresa especialitzada

Col·laboracions i finançament

Formació i validació de models d'aprenentatge profund Desenvolupament de prototips Estratègia i implementació reguladora

Tractament personalitzat basat en l'IA en el procediment de radioteràpia de pacients amb càncer.

Accés a dades clíniques rellevants i harmonització de les dades

1. Identificació del pacient 2. Adquisició de dades i Pla de gestió de dades (DMP). a. Anotació clínica. S'ha dissenyat una base de dades per a l'estudi (redcap) per organitzar les dades clíniques del pacient, incloent-hi les característiques del tumor, la modalitat de tractament de radioteràpia i les dosis, i els criteris d'avaluació: resposta tumoral (RECIST) i toxicitat (pneumonitis relacionada amb la radiació, només per a pacients amb càncer de pulmó). b. Les dades d'imatges de radiologia i medicina nuclear (tomografies computades i PET) es descarregaran del PACS. 3. Preprocessament de dades d'imatges: anonimització, estandardització, segmentació, control de qualitat. 4. Entrenament de models d'aprenentatge profund i validació interna: els models utilitzaran les dades a mesura que estiguin disponibles. Ja s'ha començat a entrenar els models inicials. Aquest procés requereix una cerca d'una arquitectura de model i hiperparàmetres òptims. 5. Anàlisi d'explicabilitat: mentre es desenvolupen els models, s'analitzaran en paral·lel les característiques rellevants per a bones prediccions del model. 6. Desenvolupament de prototips d'eines. Per facilitar la implementació a la clínica, es dissenyarà una eina amb interfície web, de manera que el clínic pugui carregar les imatges i les dades rellevants i obtenir una probabilitat de resposta al tractament per al pacient. 7. Protecció de la propietat intel·lectual. Tan bon punt s'obtinguin precisions predictives validades > 85%, que es puguin considerar útils per implementar en clíniques, es contractarà un estudi de patentabilitat dels algoritmes del model i de l'eina predictiva. En qualsevol cas, l'eina es registrarà. 8. Estratègia reguladora. S'analitzarà la classificació del programari, així com la via de desenvolupament definida perquè l'eina arribi al mercat d'acord amb les regulacions recents de la UE. Es contractaran serveis d'experts per a aquesta tasca.

Definició de l'estratègia de DPI